스코어 얼라인먼트 기반 중소기업 부도예측모형의 운영 효율화
Operation Efficiency of SME Default Prediction Models Based on Score Alignment
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 2014년부터 2021년까지 신용보증기금을 이용하고 있는 중소기업 데이터를 활용하여, 중소기업의 부도 가능성을 예측하는 모델을 구성하였다. 국내외 신용평가회사들이 신용평점에 대한 투명하고 용이한 설명을 위해 로지스틱 회귀분석을 사용하는 것처럼, 본 연구에서도 같은 목적을 위해 로지스틱 회귀분석을 사용하였다. 특히 변별력 향상을 위해 모든 변수에 대해 구간화(Binning) 작업을 수행하여 이를 입력변수로 사용 하였고, 해당 중소기업 수와 타겟률을 고려해 5개의 세그먼트(Segment)를 생성하여 각 세그먼트별로 모델링을 실시하였다. XGBoost, Neural Network 등 다른 분석 방법과 비교 시, 구간화와 세그먼트 기반 로지스틱 회귀분석이 예측결과에 대한 설명력이 우수하고, 변별력도 뒤처지지 않음을 확인하였다. 더 나아가 경기변동에 의해 신용평점과 신용리스크 간의 관계가 변화할 때, 금융기관이 신용평점 기반 컷오프(Cut-off) 전략에서 모델 재구축 없이 손쉽고 빠르게 개발 당시의 의도대로 모델을 적용 할 수 있는 방법을 제안하였다. 이는 PDO(Points to Double Odds)와 Odds 기반의 스코어링을 통해 모델 개발 시점에서의 부도율에 대한 로짓(Logit)과 스코어(신용평점) 간의 기준선을 설립하고, 적용 시점의 로짓과 스코어 간 직선을 개발 시점의 기준선으로 회전 변환함으로써 모델을 효율적으 로 운영할 수 있다.
Abstract
This study utilized data from small and medium-sized enterprises (SMEs) that have accessed the Korea Credit Guarantee Fund from 2014 to 2021 to construct a model for predicting the likelihood of SME defaults. Similar to international and domestic credit bureaus using logistic regression models for transparent and straightforward explanations of credit score, this research also employed logistic regression models for the same purpose. Particularly, to enhance discriminative power, binning was performed on all variables, which were then used as input variables. Considering the number of SME and the target rate, five segments were created, with modeling conducted for each segment. When compared with other methods such as XGBoost and Neural Network, the logistic regression model based on binning and segmentation was found to provide excellent explanatory power and competitive discriminative ability in prediction results. Furthermore, this research proposes a method that allows financial institutions operating credit score-based cutoffs to apply the model as intended during its development without needing to rebuild it, even when the relationship between credit scores and credit risks changes due to economic fluctuations. This involves establishing a baseline between the logit of default probability and the score at the time of model development using PDO (Points to Double Odds) and odds-based scoring, and rotationally transforming the line between logit and score at the application time back to the baseline established at development time, thereby enabling efficient model operation.
참고문헌 (21)
- 금융감독원, "바젤 II 下의 통합리스크관리 모범규준, 제1권", ~ (2008)
- "21.1.1. 신용점수제로의 원활한 전환을 위해 업권별 준비 현황을 면밀히 점검해 나가겠습니다" (2020)[URL]
- 김태현, "금융 AI의 이해" (2024), 제이펍
- 도영호, "재무적 특성이 부도확률에 미치는 영향 : 비상장 중소기업을 중심으로", 생산성연구, 26(4), pp.127~153 (2012)
- 신용보증기금, "신용보증부실관리요령", ~ (2022)
- 정지혜, "중소기업의 도산예측모형에 관한 비교연구 : 기술신용보증기금의 보증지원을 받은 기업을 중심으로", e-비지니스 연구, 11(5), pp.211~240 (2010)
- 최종후, "신용평점모형" (2009), 세창출판사
- Boyer K. K., "Customer Behavior in an Online Ordering Application : A Decision Scoring Model", Decision Sciences, 36(4), pp.569~598 (2005)
- Bequé A., "Approaches for credit scorecard calibration : An empirical analysis", Knowledge-Based Systems, 134, pp.213~227 (2017)
- "A Summary of Your Rights Under the Fair Credit Reporting Act" (2014)[URL]
- Dal Pozzolo A., "Calibrating Probability with Undersampling for Unbalaced Classification", 2015 IEEE Symposium Series on Computational Intelligence, pp.159~166 (2015)
- Jung K. M., "When to rebuild or when to adjust scorecards", Journal of the Operational Research Society, 66(10), pp.1656~1668 (2015)
- Kim J., "A Study on ML-Based Sleep Score Model Using Lifelog Data", Applied Sciences, 13(2), pp.1043~ (2023)
- Kreuzberger D., "Machine Learning Operations (MLOps): Overview, Definition, and Architecture", IEEE access, 11, pp.31866~31879 (2023)
- Mays E., "신용평점의 이해와 활용" (2004), 이파로스
- Monotone optimal binning algorithm for credit risk modeling, "Mironchyk P.", ~ (2017)
- Siddiqi N, "Credit Risk Scorecards : Developing And Implementing Intelligent Credit Scoring" (2005), John Wiley & Sons, Inc
- Thomas L., "Credit scoring and its applications" (2017), Society for industrial and Applied Mathematics
- Tarawneh A. S., "Stop oversampling for class imbalance learning : A review", IEEE Access, 10, pp.47643~47660 (2022)
- Yap B. W., "Using data mining to improve assessment of credit worthiness via credit scoring models", Expert Systems with Applications, 38(10), pp.13274~13283 (2011)